論文の概要: Synthetic 3D Data Generation Pipeline for Geometric Deep Learning in Architecture

• arxiv url: http://arxiv.org/abs/2104.12564v1
• Date: Mon, 26 Apr 2021 13:32:03 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-27 20:44:19.997868
• Title: Synthetic 3D Data Generation Pipeline for Geometric Deep Learning in Architecture
• Title（参考訳）: 建築における幾何学的深層学習のための合成3次元データ生成パイプライン
• Authors: Stanislava Fedorova, Alberto Tono, Meher Shashwat Nigam, Jiayao Zhang, Amirhossein Ahmadnia, Cecilia Bolognesi, Dominik L. Michels
• Abstract要約: 我々は、任意の量の3Dデータと関連する2Dおよび3Dアノテーションを生成する合成データ生成パイプラインを作成する。 さまざまなアノテーション、生成されたビルディングとデータセットパラメータをカスタマイズする柔軟性により、このフレームワークは複数のディープラーニングタスクに適している。 すべてのコードとデータは公開されています。
• 参考スコア（独自算出の注目度）: 6.383666639192481
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the growing interest in deep learning algorithms and computational design in the architectural field, the need for large, accessible and diverse architectural datasets increases. We decided to tackle this problem by constructing a field-specific synthetic data generation pipeline that generates an arbitrary amount of 3D data along with the associated 2D and 3D annotations. The variety of annotations, the flexibility to customize the generated building and dataset parameters make this framework suitable for multiple deep learning tasks, including geometric deep learning that requires direct 3D supervision. Creating our building data generation pipeline we leveraged architectural knowledge from experts in order to construct a framework that would be modular, extendable and would provide a sufficient amount of class-balanced data samples. Moreover, we purposefully involve the researcher in the dataset customization allowing the introduction of additional building components, material textures, building classes, number and type of annotations as well as the number of views per 3D model sample. In this way, the framework would satisfy different research requirements and would be adaptable to a large variety of tasks. All code and data are made publicly available.
• Abstract（参考訳）: アーキテクチャ分野におけるディープラーニングアルゴリズムと計算設計への関心が高まり、大規模でアクセスしやすい多様なアーキテクチャデータセットの必要性が高まっている。 そこで我々は,フィールド固有の合成データ生成パイプラインを構築し,任意の量の3Dデータと関連する2Dおよび3Dアノテーションを生成する。 アノテーションの種類、生成したビルディングパラメータとデータセットパラメータをカスタマイズする柔軟性により、このフレームワークは、直接3d監視を必要とする幾何学的ディープラーニングを含む、複数のディープラーニングタスクに適している。 データ生成パイプラインを構築するために、専門家のアーキテクチャ知識を活用して、モジュール化され、拡張可能で、十分な量のクラスバランスのデータサンプルを提供するフレームワークを構築しました。 さらに,3次元モデルサンプルあたりのビュー数だけでなく,ビルディングコンポーネント,マテリアルテクスチャ,ビルディングクラス,数,アノテーションの種類などの追加機能を導入できるように,データセットのカスタマイズを意図的に実施する。 このようにして、このフレームワークは異なる研究要件を満たすことができ、様々なタスクに適応できるだろう。 すべてのコードとデータは公開されています。

関連論文リスト

• ARCH2S: Dataset, Benchmark and Challenges for Learning Exterior Architectural Structures from Point Clouds [0.0]
  本稿では,セマンティックセグメンテーションのためのセマンティックモデルデータセットとベンチマークを提案する。 現実世界の建物の4つの異なる建築目的と、香港のオープンな建築景観を特徴としている。
  論文  参考訳（メタデータ） (2024-06-03T14:02:23Z)
• Serving Deep Learning Model in Relational Databases [70.53282490832189]
  リレーショナルデータ上での深層学習(DL)モデルの実現は、様々な商業分野や科学分野において重要な要件となっている。 最先端のDL中心アーキテクチャは、DL計算を専用のDLフレームワークにオフロードします。 UDF中心アーキテクチャの可能性は、リレーショナルデータベース管理システム(RDBMS)内の1つ以上のテンソル計算をユーザ定義関数(UDF)にカプセル化する。
  論文  参考訳（メタデータ） (2023-10-07T06:01:35Z)
• Robust Geometry-Preserving Depth Estimation Using Differentiable Rendering [93.94371335579321]
  我々は、余分なデータやアノテーションを必要とせずに、幾何学保存深度を予測するためにモデルを訓練する学習フレームワークを提案する。 包括的な実験は、我々のフレームワークの優れた一般化能力を強調します。 我々の革新的な損失関数は、ドメイン固有のスケール・アンド・シフト係数を自律的に復元するモデルを可能にします。
  論文  参考訳（メタデータ） (2023-09-18T12:36:39Z)
• Geometric Deep Learning for Structure-Based Drug Design: A Survey [83.87489798671155]
  構造に基づく薬物設計(SBDD)は、タンパク質の3次元幾何学を利用して、潜在的な薬物候補を特定する。 近年の幾何学的深層学習の進歩は、3次元幾何学的データを効果的に統合・処理し、この分野を前進させてきた。
  論文  参考訳（メタデータ） (2023-06-20T14:21:58Z)
• UniG3D: A Unified 3D Object Generation Dataset [75.49544172927749]
  UniG3Dは、ShapeNetデータセット上に普遍的なデータ変換パイプラインを用いて構築された、統一された3Dオブジェクト生成データセットである。 このパイプラインは、各生の3Dモデルを包括的なマルチモーダルデータ表現に変換する。 データセットのデータソースの選択は、そのスケールと品質に基づいています。
  論文  参考訳（メタデータ） (2023-06-19T07:03:45Z)
• FoldingNet Autoencoder model to create a geospatial grouping of CityGML building dataset [0.0]
  本研究では、3DオートエンコーダであるFoldingNetを用いて、LoD 2 CityGMLデータセットから各建物の潜在表現を生成する。 埋め込みの有効性は,データセット再構成,潜時拡散可視化,階層クラスタリング手法によって分析される。 建物の地理的グループ化を反復的に見つけるために地理空間モデルを作成する。
  論文  参考訳（メタデータ） (2022-12-28T17:16:23Z)
• IDD-3D: Indian Driving Dataset for 3D Unstructured Road Scenes [79.18349050238413]
  デプロイ可能なディープラーニングアーキテクチャの準備とトレーニングには、さまざまなトラフィックシナリオに適したモデルが必要である。 インドなどいくつかの発展途上国で見られる非構造的で複雑な運転レイアウトは、これらのモデルに挑戦している。 我々は、複数のカメラと12kの注釈付き駆動LiDARフレームを備えたLiDARセンサーのマルチモーダルデータからなる新しいデータセットIDD-3Dを構築した。
  論文  参考訳（メタデータ） (2022-10-23T23:03:17Z)
• BuildingNet: Learning to Label 3D Buildings [19.641000866952815]
  BuildingNet: (a)外装が一貫してラベル付けされている大規模な3Dビルディングモデル、(b)幾何学的プリミティブの分析と構造的関係をビルディングにラベル付けするニューラルネットワーク。 データセットは、家、教会、高層ビル、市役所、城などのカテゴリをカバーしている。
  論文  参考訳（メタデータ） (2021-10-11T01:45:26Z)
• Unsupervised Learning of 3D Object Categories from Videos in the Wild [75.09720013151247]
  オブジェクトインスタンスの大規模なコレクションの複数のビューからモデルを学ぶことに重点を置いています。 再構成を大幅に改善するワープコンディショニングレイ埋め込み(WCR)と呼ばれる新しいニューラルネットワーク設計を提案する。 本評価は,既存のベンチマークを用いた複数の深部単眼再構成ベースラインに対する性能改善を示す。
  論文  参考訳（メタデータ） (2021-03-30T17:57:01Z)
• RISA-Net: Rotation-Invariant Structure-Aware Network for Fine-Grained 3D Shape Retrieval [46.02391761751015]
  きめ細かい3D形状の検索は、同じクラスに属するモデルを持つレポジトリのクエリ形状に似た3D形状の検索を目的としている。 回転不変な3次元形状記述子を学習する新しいディープアーキテクチャ RISA-Net を提案する。 本手法は,3次元形状の最終コンパクト潜時特徴を生成する際に,各部分の幾何学的・構造的情報の重要性を学習することができる。
  論文  参考訳（メタデータ） (2020-10-02T13:06:12Z)
• Generating synthetic photogrammetric data for training deep learning based 3D point cloud segmentation models [0.0]
  I/ITSEC 2019で著者らは、3Dフォトグラムのポイントクラウド/ミームをセグメント化し、オブジェクト情報を抽出する、完全に自動化されたワークフローを発表した。 最終的な目標は、現実的な仮想環境を作成し、シミュレーションに必要な情報を提供することである。
  論文  参考訳（メタデータ） (2020-08-21T18:50:42Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。